Gli analisti mettono in dubbio la costosa e frammentata strategia AI di Meta

Meta ha lanciato un altro prodotto AI nonostante le crescenti critiche secondo cui la sua strategia continua a non avere un fulcro chiaro. L'ultima copertura su Google News coglie il conflitto: Meta può finanziare più esperimenti di quasi tutti i concorrenti, ma gli analisti faticano ancora a individuare il suo prodotto AI distintivo.

Questa tensione conta perché la sperimentazione in Meta comporta ora un costo straordinario. L'azienda prevede spese in conto capitale tra 125 e 145 miliardi di dollari nel 2026. Sta inoltre riorganizzando i team, reclutando ricercatori costosi, sviluppando modelli, migliorando i sistemi pubblicitari e introducendo agenti per i consumatori.

Il risultato può sembrare meno una strategia coordinata che una serie di scommesse in competizione per la priorità. Google ha Gemini e la distribuzione tramite la ricerca. Microsoft ha Copilot e il suo software enterprise. OpenAI ha ChatGPT. Meta ha una portata sociale senza pari, ma non ha ancora definito una ragione altrettanto chiara per cui le persone dovrebbero scegliere Meta AI.

Il titolo di Google News coglie un problema più ampio di Meta

Definire l'approccio di Meta come “spaghetti al muro” è provocatorio, ma la preoccupazione di fondo è precisa: l'attività non equivale automaticamente a un focus strategico.

Meta sta perseguendo modelli fondazionali, assistenti per i consumatori, sistemi di raccomandazione, automazione pubblicitaria, smart glasses, strumenti per creator, messaggistica business e agenti autonomi. Questi progetti possono condividere infrastrutture, ma non necessariamente un unico cliente o un'unica strada verso i ricavi.

L'espressione è emersa mentre la più recente attività AI di Meta attirava nuova attenzione su Google News. Descrive un'azienda che testa molte possibili interfacce aspettando che il comportamento degli utenti riveli quale meriti maggiori investimenti.

Questo approccio non è irrazionale. I mercati dell'AI stanno cambiando troppo rapidamente perché qualunque azienda possa prevedere con sicurezza quale sarà l'interfaccia finale. Chat testuali, assistenti vocali, dispositivi indossabili, agenti sociali e software che completa attività restano tutti punti di ingresso plausibili.

Meta dispone inoltre di un flusso di cassa sufficiente per condurre più esperimenti contemporaneamente. La sua consolidata attività pubblicitaria può sostenere lunghi cicli di ricerca che metterebbero in difficoltà un'azienda più piccola.

Eppure la scala cambia lo standard di prova. Un modesto esperimento di prodotto può essere valutato per ciò che insegna. Un programma di capitale misurato in centinaia di miliardi richiede prove che quelle lezioni produrranno valore economico duraturo.

Il portafoglio prodotti di Meta non ha fornito una risposta semplice. Il suo assistente AI appare su WhatsApp, Instagram, Facebook, Messenger, in un'app autonoma e sul web. Questa portata crea esposizione, ma l'esposizione non equivale alla preferenza.

Un utente che incontra un pulsante AI all'interno di un servizio esistente non ha necessariamente scelto Meta AI. La distinzione conta quando il management presenta la distribuzione come un vantaggio competitivo.

Il lancio di luglio da parte di Meta di nuove capacità simili ad agenti illustra la strategia. L'azienda ha affermato che le funzioni Muse e Spark avrebbero consentito a Meta AI di eseguire azioni anziché limitarsi a restituire testo. Secondo il lancio delle funzionalità agentiche dell'azienda, gli strumenti hanno iniziato a raggiungere mercati selezionati tramite l'app Meta AI e meta.ai.

Questo rilascio offre a Meta un'altra occasione per trasformare il suo grafo sociale in un vantaggio AI. Introduce però anche un'altra superficie che necessita di uno scopo chiaro, prestazioni affidabili e utilizzo ripetuto.

L'interpretazione scettica è che Meta continui a lanciare interfacce perché nessuna singola esperienza ha conquistato la leadership. L'interpretazione favorevole è che l'azienda stia testando dove l'AI personale si inserisca prima che il mercato si stabilizzi.

Entrambe le letture possono restare plausibili solo per un certo periodo. Alla fine, utilizzo e ricavi dovranno distinguere l'esplorazione dalla deriva.

La spesa di Meta aumenta il costo dell'incertezza

La maggiore pressione su Meta non deriva dalla scarsità di risorse. Deriva dal crescente divario tra i suoi investimenti e la visibilità dei relativi ritorni.

Meta ha registrato ricavi nel primo trimestre del 2026 pari a 56,31 miliardi di dollari, in aumento del 33 percento rispetto all'anno precedente. L'utile netto ha raggiunto 26,77 miliardi di dollari, secondo i risultati del primo trimestre. Questi dati mostrano perché l'azienda può finanziare un programma AI insolitamente aggressivo.

Lo stesso report ha aumentato le spese in conto capitale previste per il 2026 a una cifra compresa tra 125 e 145 miliardi di dollari. Meta ha attribuito l'aumento soprattutto ai maggiori costi dei componenti, con un ulteriore contributo delle spese per i data center.

Il limite superiore è più di una voce di bilancio. Mette pressione sul management affinché spieghi quali prodotti richiedono tale infrastruttura e come tali prodotti migliorino l'economia di Meta.

Alcuni ritorni sono già visibili nell'attività pubblicitaria. Il machine learning può migliorare le raccomandazioni di contenuti, il ranking degli annunci, la generazione creativa e le prestazioni delle campagne. Raccomandazioni migliori possono aumentare il tempo trascorso sulle app di Meta, mentre un targeting migliore può accrescere il valore di un'impression.

Questi miglioramenti sono economicamente significativi. Complicano però anche il dibattito perché mescolano nuovi investimenti nell'AI generativa con sistemi che supportano l'attività di Meta da anni.

Un cluster infrastrutturale potrebbe addestrare un nuovo modello fondazionale, servire un assistente, migliorare uno strumento pubblicitario o supportare le raccomandazioni. Gli investitori non possono separare facilmente le spese di manutenzione dalla capacità speculativa.

La proposta di valore autonoma di Meta AI resta meno visibile. L'analista di Bloomberg Intelligence Mandeep Singh ha osservato che l'app non aveva generato un engagement paragonabile a quello dei principali concorrenti, come riassunto in un'analisi dei ritorni sugli investimenti AI.

Questa debolezza conta perché l'app autonoma è il test più chiaro della domanda volontaria. Gli utenti che la aprono deliberatamente forniscono prove più solide rispetto agli utenti che incontrano un assistente all'interno di Instagram o WhatsApp.

Meta deve quindi dimostrare due proposizioni diverse. In primo luogo, l'AI deve continuare a migliorare i suoi attuali prodotti pubblicitari e social. In secondo luogo, i suoi nuovi servizi per i consumatori devono diventare abbastanza utili da sostenere un'attività distinta o una posizione strategica.

La prima proposizione aiuta a difendere i ricavi attuali. La seconda dovrebbe giustificare il ruolo di Meta nella prossima piattaforma informatica.

Ecco perché la discussione su Google News va oltre la metafora di un singolo analista. Il mercato si chiede se Meta stia costruendo un unico sistema AI integrato o finanziando più progetti senza una gerarchia consolidata.

Gli investitori hanno già mostrato sensibilità alla questione. Le azioni di Meta sono scese di oltre il 6 percento nelle contrattazioni estese dopo i risultati di aprile, nonostante ricavi e utili abbiano superato le aspettative.

Una reazione del titolo non dimostra che la strategia sia sbagliata. Mostra che i solidi utili attuali non chiudono più il dibattito sulle spese future.

Meta sta inoltre riducendo l'organico mentre destina più risorse all'infrastruttura e a talenti AI specializzati. Questa combinazione intensifica la pressione interna. I team al di fuori dei gruppi di ricerca più favoriti devono competere per capacità di calcolo, personale e attenzione dei dirigenti.

Per i dipendenti, la risposta imposta è la definizione delle priorità. Per gli investitori, è una tempistica di ritorno più chiara. Per il management, è un prodotto che colleghi enormi spese infrastrutturali a comportamenti misurabili.

Il vero avversario di Meta è la coerenza strategica

La sfida centrale non è semplicemente Meta contro Google o OpenAI. È la promessa di Meta di una superintelligenza personale contro una realtà di prodotto ancora frammentata.

Mark Zuckerberg ha descritto l'obiettivo a lungo termine come una superintelligenza personale per miliardi di persone. Questa espressione suggerisce un assistente che comprende l'individuo, opera in contesti diversi e svolge azioni utili.

Le risorse di Meta si adattano a questa ambizione. Facebook, Instagram, Messenger e WhatsApp contengono connessioni sociali, conversazioni, interessi, comunità, aziende e creator. Gli smart glasses aggiungono un'interfaccia fisica che può vedere e ascoltare dalla prospettiva dell'utente.

Poche aziende possono combinare una distribuzione così ampia con il contesto dei consumatori. Meta ha riferito che 3,56 miliardi di persone usavano almeno una delle sue app ogni giorno nel marzo 2026.

La distribuzione può risolvere il problema della scoperta, ma non può risolvere quello della fiducia o della qualità del prodotto. Un agente personale deve comprendere in modo affidabile le richieste, preservare il contesto, gestire le autorizzazioni e agire senza creare conseguenze indesiderate.

L'azienda deve inoltre decidere come far convivere i suoi componenti. L'app autonoma è la destinazione principale? WhatsApp è l'interfaccia conversazionale? Gli occhiali Ray-Ban Meta sono l'eventuale livello hardware? Gli agenti di Instagram sono soprattutto strumenti per creator? Gli agenti business sono un'estensione della messaggistica?

Ogni risposta può sostenere la missione più ampia. Presentarle tutte contemporaneamente rende la missione più difficile da valutare.

Il percorso di Google è più semplice da descrivere. Gemini si collega a ricerca, Android, Workspace, servizi cloud e agli attuali sistemi di conoscenza di Google. Microsoft collega Copilot al software per il lavoro e ad Azure. OpenAI ha creato una domanda diretta dei consumatori tramite ChatGPT prima di espandersi verso agenti e strumenti enterprise.

I prodotti consolidati di Meta non sono stati progettati attorno a un assistente. L'azienda deve inserire l'AI in servizi che possiedono già identità e modelli di interazione forti.

Ciò crea il rischio di abbondanza di funzionalità senza cambiamento comportamentale. Gli utenti potrebbero generare un'immagine in una chat o porre una domanda rapida senza adottare Meta AI come assistente predefinito.

L'app autonoma era pensata per rendere questa scelta più esplicita. Tuttavia, è entrata in un mercato affollato in cui le persone associavano già l'assistenza generalista a ChatGPT, Gemini, Claude o Perplexity.

La risposta di Meta è stata enfatizzare il proprio vantaggio sociale. Un assistente personalizzato potrebbe attingere a interessi e relazioni a cui i chatbot convenzionali non possono accedere. Gli agenti sociali potrebbero anche interagire con creator, gruppi e aziende.

Questa idea comporta importanti questioni di privacy e sicurezza. Il contesto che migliora la personalizzazione è spesso lo stesso che gli utenti considerano sensibile.

Meta deve stabilire confini autorizzativi che le persone comuni possano comprendere. Deve inoltre impedire che un agente tratti le preferenze dedotte come istruzioni confermate.

La necessità di un contesto affidabile rende la gestione della conoscenza personale rilevante anche al di là delle app di Meta. Le persone hanno sempre più bisogno di un modo per conservare informazioni utili controllando al contempo ciò che un assistente può recuperare. Una base di conoscenza personale offre un modello per questa separazione.

Meta non ha ancora dimostrato che il suo contesto sociale produca un assistente costantemente migliore. Finché non lo farà, il suo vantaggio distributivo resterà un'opportunità anziché un vantaggio difendibile comprovato.

Questo conflitto tra promessa e realtà è il motivo principale per cui i lanci frammentati attirano critiche. Ogni nuova funzionalità amplia la superficie della promessa. Poche hanno finora ridotto l'incertezza sul prodotto finale.

La sperimentazione può funzionare, ma Meta ha bisogno di un meccanismo di selezione

Provare molti prodotti è difendibile solo quando Meta può identificare i vincitori, chiudere i progetti deboli e spostare risorse senza confondere gli utenti.

Le aziende tecnologiche utilizzano regolarmente esperimenti paralleli per individuare nuovi comportamenti. La storia di Meta stessa conferma l’efficacia di questo metodo. La transizione al mobile, l’investimento nei video brevi e lo sviluppo dei sistemi di raccomandazione hanno richiesto anni di iterazioni.

L’AI introduce un’incertezza ancora maggiore. Le capacità dei modelli possono cambiare nel giro di pochi mesi, le infrastrutture vengono ordinate con anni di anticipo e le aspettative dei consumatori evolvono dopo ogni grande lancio.

Un piano rigido creerebbe un rischio in sé. Meta potrebbe scegliere troppo presto un’unica interfaccia e non cogliere la forma che gli utenti finiranno per preferire.

La questione cruciale è il meccanismo di selezione. Una strategia sperimentale richiede criteri misurabili per stabilire cosa meriti di essere esteso.

Per un assistente destinato ai consumatori, tali criteri dovrebbero andare oltre le registrazioni o l’esposizione forzata. Misure utili comprendono l’uso settimanale volontario, il completamento ripetuto delle attività, le azioni riuscite, la fidelizzazione dopo la curiosità iniziale e il passaggio tra le diverse superfici di Meta.

I prodotti agentici richiedono una valutazione più rigorosa. Un chatbot può produrre una risposta imperfetta che l’utente ignora. Un agente che invia un messaggio, modifica una prenotazione o interagisce con un’azienda può generare conseguenze concrete.

Meta deve misurare il completamento delle attività insieme a correzioni, annullamenti e fallimenti delle autorizzazioni. Un coinvolgimento elevato conterebbe poco se gli utenti dovessero spesso rimediare al lavoro dell’agente.

Anche l’integrazione del prodotto necessita di un modello coerente. Gli utenti dovrebbero capire se Meta AI mantiene un’unica identità su WhatsApp, Instagram, gli occhiali e l’app standalone. Dovrebbero sapere quali informazioni vengono trasferite tra questi servizi.

Senza questa chiarezza, ogni superficie aggiuntiva aumenta il carico cognitivo. La stessa funzionalità può comportarsi in modo diverso a seconda di dove l’utente la incontra.

La struttura organizzativa conta quanto l’interfaccia. Meta ha creato Meta Superintelligence Labs dopo che il suo programma AI aveva sollevato dubbi sui progressi dei modelli e sulla leadership. Ha inoltre effettuato un importante investimento in Scale AI e reclutato il suo fondatore, Alexandr Wang.

La transazione con Scale AI è stata valutata 14,3 miliardi di dollari nel 2025. Ha dato a Meta una grande partecipazione in un’azienda nota per i servizi dati e l’infrastruttura di valutazione, portando al contempo Wang nella leadership AI del gruppo.

Questa mossa ha segnalato urgenza. Ha anche sollevato interrogativi su come la nuova organizzazione avrebbe convissuto con i team di ricerca e prodotto già consolidati.

Un portafoglio interno può funzionare quando ogni gruppo possiede un livello distinto. Un team potrebbe costruire modelli di frontiera, un altro sviluppare sistemi di valutazione e i gruppi di prodotto adattare tali capacità a pubblici specifici.

I problemi iniziano quando i gruppi perseguono modelli sovrapposti, competono per la stessa capacità di calcolo o ricevono priorità mutevoli. La riorganizzazione diventa allora un sostituto della selezione dei prodotti.

Meta ha già attraversato turbolenze visibili. Diverse ricostruzioni hanno descritto rimescolamenti dei team, partenze, licenziamenti e controversie sull’allocazione delle risorse. Una certa discontinuità è prevedibile dopo un importante reset strategico, ma cambiamenti ripetuti possono rallentare il lavoro che dovrebbero accelerare.

La storia dei modelli aperti dell’azienda aggiunge un’altra scelta irrisolta. Llama ha dato a Meta influenza tra gli sviluppatori perché le organizzazioni potevano scaricare e adattare i suoi modelli con la licenza di Meta.

Una strategia proprietaria più forte potrebbe migliorare il controllo e sostenere la differenziazione sul mercato consumer. Potrebbe però ridurre il supporto degli sviluppatori esterni che ha contribuito a rendere Llama rilevante.

Meta non deve trattare modelli aperti e chiusi come opposti assoluti. Deve però spiegare quali capacità rilascerà, quali riserverà e in che modo ogni decisione sostiene la medesima strategia di prodotto.

L’alternativa è una raccolta di scelte singolarmente ragionevoli che puntano in direzioni diverse. È questa la condizione che i critici descrivono come lanciare spaghetti contro il muro.

I lettori di Google News dovrebbero quindi separare la metafora dalla questione operativa. Il problema non è la sperimentazione in sé. Il problema è la sperimentazione senza regole visibili di convergenza.

Cosa non dimostra la critica degli “spaghetti”

La presentazione disordinata di Meta non dimostra che i suoi investimenti nell’AI stiano fallendo, ma l’azienda non ha fornito prove sufficienti per liquidare la preoccupazione.

La versione più dura della critica presume che ogni prodotto debba già dimostrare ricavi diretti. Questo criterio ignora il modo in cui gli investimenti in infrastrutture e ricerca maturano.

La capacità di addestramento ordinata oggi può supportare modelli e prodotti rilasciati molto più tardi. I team di ricerca generano inoltre miglioramenti che si diffondono nelle raccomandazioni, nei sistemi di integrità, nella pubblicità e negli strumenti per i contenuti.

L’attuale performance aziendale di Meta dimostra che i suoi più ampi investimenti nel machine learning creano valore. I ricavi sono cresciuti del 33% su base annua nel primo trimestre del 2026, mentre gli utili hanno superato le aspettative degli analisti.

Questi risultati non isolano l’effetto di Meta Superintelligence Labs. Mostrano tuttavia che l’azienda non sta finanziando l’AI partendo da una base in collasso.

I sostenitori indicano anche la distribuzione di Meta. L’azienda può presentare una nuova funzionalità a miliardi di persone senza pagare un’altra piattaforma per l’accesso.

Questo vantaggio diventa più importante se gli assistenti evolvono in strumenti di comunicazione quotidiana. Meta gestisce già i luoghi in cui avvengono molte conversazioni sociali e commerciali.

Gli occhiali smart offrono un’altra strada credibile. Un assistente in grado di rispondere a ciò che una persona vede propone un’esperienza diversa da quella di un chatbot aperto su un laptop.

Questi punti di forza rendono prematuro dichiarare sconfitta la strategia di Meta. L’azienda può permettersi iterazioni, possiede interfacce importanti e ha un’attività redditizia che trae beneficio dall’AI indipendentemente da qualsiasi assistente standalone.

Tuttavia, questi vantaggi possono incoraggiare una disciplina debole. Una distribuzione a basso costo può far sembrare adottato un prodotto quando gli utenti si limitano a incontrarlo. Un forte flusso di cassa può mantenere in vita più a lungo di quanto potrebbe una società più piccola un programma poco chiaro.

L’attività pubblicitaria può inoltre nascondere l’economia della ricerca di frontiera. Se i miglioramenti nelle raccomandazioni compensano parte della spesa, il management può rivendicare progressi senza dimostrare se i suoi modelli più recenti siano competitivi.

I critici ricordano Reality Labs per questo motivo. Meta ha mantenuto un impegno lungo e costoso nella realtà virtuale e aumentata nonostante una limitata adozione da parte dei consumatori. La sua pazienza ha prodotto hardware e ricerca utili, ma ha anche generato enormi perdite operative.

L’AI differisce dal metaverso perché migliora già i prodotti principali di Meta. Ha inoltre una domanda più chiara nel breve termine sull’intero mercato.

Ciononostante, il confronto storico influenza la fiducia degli investitori. Il management deve dimostrare che l’AI dispone di cicli di feedback più solidi, apprendimento di prodotto più rapido e un’allocazione delle risorse più disciplinata.

L’accusa degli “spaghetti” rischia anche di appiattire progetti distinti in un’unica categoria. Algoritmi di raccomandazione, pubblicità generativa, modelli fondamentali, dispositivi indossabili e agenti perseguono obiettivi diversi.

Il fallimento di una funzionalità standalone non cancellerebbe i guadagni nella pubblicità. Uno strumento pubblicitario di successo non dimostrerebbe che Meta ha costruito un assistente personale leader.

La valutazione corretta mantiene separati questi risultati. Meta dovrebbe ricevere merito dove esistono risultati aziendali misurati e scrutinio dove la tesi di prodotto rimane non verificata.

Gli analisti di Morningstar hanno descritto il business principale come sano, avvertendo però che l’aumento delle spese in conto capitale e i rendimenti incerti dell’AI generativa pesano sulla tesi d’investimento. Secondo la capital spending review della società, la loro analisi ha inquadrato la preoccupazione come il ritorno dei ricordi delle precedenti spese sperimentali di Meta.

Anche JPMorgan ha declassato Meta nel 2026, citando una visibilità limitata sulla pipeline di prodotti AI. Questa formulazione è importante. L’obiezione non è che Meta non disponga di tecnologia. È che gli osservatori esterni non riescono a collegare la pipeline a un ritorno sufficientemente chiaro.

Meta può rispondere a questa critica con prove, non con un altro slogan. Servono risultati comparativi dei modelli, fidelizzazione duratura dei prodotti, affidabilità degli agenti e una spiegazione più chiara dei rendimenti dell’infrastruttura.

Fino a quando non arriveranno, sia l’ottimismo sia lo scetticismo rimarranno in parte speculativi.

Tre segnali mostreranno se la strategia AI di Meta sta convergendo

La prossima fase della storia AI di Meta dipende dalla fidelizzazione dei prodotti, dalla trasparenza finanziaria e dalla prova che i suoi agenti possano svolgere lavoro utile in sicurezza.

Il primo segnale è l’uso ripetuto di Meta AI dopo che le più recenti funzionalità agentiche raggiungeranno più mercati. I download iniziali o le impression delle funzionalità riveleranno poco, perché Meta può generare entrambi attraverso promozione e posizionamento.

Il segnale più forte è la fidelizzazione volontaria. Gli utenti dovrebbero tornare per completare attività significative, anziché porre occasionalmente domande per curiosità.

Meta dovrebbe inoltre rivelare se le persone si spostano tra le sue superfici AI. Un sistema coerente permetterebbe a qualcuno di iniziare dagli occhiali, continuare in WhatsApp e rivedere il risultato nell’app standalone senza confusione.

Se questo comportamento crescerà, rafforzerà l’affermazione di Meta secondo cui il suo portafoglio costituisce un unico assistente personale. Se ogni superficie produrrà un utilizzo isolato e superficiale, la critica della strategia dispersiva acquisterà forza.

Il secondo segnale è la prossima spiegazione finanziaria dell’azienda sulle spese in conto capitale. Gli investitori hanno bisogno di più di un altro totale per data center, server e componenti.

Hanno bisogno di prove che il management sia in grado di collegare la capacità ai risultati. Ciò potrebbe includere efficienza pubblicitaria, miglioramenti delle raccomandazioni, domanda di inferenza, uso della messaggistica aziendale o adozione di agenti consumer.

Meta non deve rivelare dettagli sensibili sul piano competitivo. Deve però distinguere l’infrastruttura che supporta i prodotti attuali dalla capacità riservata a modelli futuri incerti.

Una distinzione più chiara renderebbe più facile valutare l’intervallo tra 125 e 145 miliardi di dollari. Aumenti continui senza una migliore trasparenza aggraverebbero la preoccupazione che la spesa stia avanzando più rapidamente della strategia.

Il terzo segnale è il completamento affidabile delle azioni da parte di Muse, Spark e degli agenti successivi. Questi sistemi sono importanti perché mettono alla prova il passaggio di Meta dalle risposte generate a software che agisce.

Un agente utile dovrebbe completare un’attività definita, richiedere l’autorizzazione al momento giusto e conservare una registrazione che l’utente possa ispezionare. Dovrebbe anche riprendersi in modo pulito quando un servizio fallisce o una richiesta è ambigua.

Incidenti di sicurezza, comportamento incoerente o bassi tassi di completamento indebolirebbero le ragioni per una rapida espansione. Un utilizzo affidabile nella messaggistica, nel lavoro dei creator o nelle conversazioni aziendali darebbe a Meta un centro di prodotto concreto.

Gli sviluppatori dovrebbero osservare se Meta pubblica metodi di valutazione e interfacce stabili. Gli acquirenti aziendali dovrebbero esaminare i controlli delle autorizzazioni, l’auditabilità e i confini dei dati. I knowledge worker dovrebbero chiedersi se il sistema preservi un contesto utile senza rendere ogni interazione privata disponibile per impostazione predefinita.

Questi sono test più significativi del numero di modelli o funzionalità annunciati da Meta. Rivelano se l’organizzazione sta imparando dai propri esperimenti.

Il titolo di Google News funziona perché comprime una preoccupazione complessa in un’immagine familiare. Meta sembra testare molte idee mentre spende a una scala che rende l’attesa insolitamente costosa.

Eppure la sperimentazione non è il verdetto. Il verdetto dipende dalla capacità di Meta di smettere di trattare ogni superficie come una candidata e scegliere le esperienze che gli utenti apprezzano ripetutamente.

Nei prossimi mesi, ignorate il volume degli annunci e osservate il processo di selezione. Quale agente continua a far tornare gli utenti? Quale prodotto ottiene più risorse? Quale iniziativa viene chiusa?

Queste decisioni mostreranno se Meta sta ancora lanciando idee contro il muro o ha finalmente trovato il prodotto AI attorno a cui intende costruire.